基于多策略改进的YOLOv11的地雷人员头盔检测研究

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 采矿工程 采矿工程 采矿工程

背景情况:

• 目前的对象检测算法在机械化采矿中由于灯光不好和障碍物而难以准确和实时性能.
• 这些限制阻碍了有效的矿山安全管理,以及人员和安全头盔的检测.

研究的目的:

• 开发一个增强的物体检测算法,GCB-YOLOv11,以提高检测矿山人员和安全头盔的准确性和速度.
• 为应对复杂的采矿环境带来的挑战,包括不均的照明和设备干扰.

主要方法:

• 实现了GSConv来取代传统的卷积,增强特征提取和降低计算成本.
• 设计了一个C3K2_FE模块,集成Faster_block和ECA注意力,以提高检测准确度和速度.
• 在部部分利用Bi FPN进行高效的多尺度特征融合,最大限度地减少特征损失和冗余性.

主要成果:

• 在矿山人员和安全头盔数据集上,GCB-YOLOv11的平均精度为93.6%.
• 该算法达到每秒90.3,比基线模型增加9.4%.
• 与YOLOv5s,YOLOv8s,YOLOv3 Tiny,Fast R-CNN和RT-DETR相比,在准确性和模型复杂性方面表现出卓越的性能.

结论:

• GCB-YOLOv11提供了一个强大的技术解决方案,通过准确和实时检测来提高矿山安全.
• 该算法的性能非常适合机械化采矿环境的苛刻条件.
• 这一进步有助于通过有效识别人员和关键安全设备,改善安全管理.